软件学报

作者：张雅雯，王志海，刘海洋，曾昭博

单位：张雅雯，北京交通大学 计算机与信息技术学院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004411,王志海，北京交通大学 计算机与信息技术学院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004402,刘海洋，北京交通大学 计算机与信息技术学院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004403,曾昭博，北京交通大学 计算机与信息技术学院, 北京 100044;交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 10004404

关键词：时间序列;时间序列分类;残差网络;全卷积神经网络;深度学习

基金：北京市自然科学基金(4182052); 国家自然科学基金(61672086, 61702030, 61771058)

时间序列数据广泛存在于我们的生活中, 吸引了越来越多的学者对其进行深入的研究. 时间序列分类是时间序列的一个重要研究领域, 目前已有上百种分类算法被提出. 这些方法大致分为基于距离的方法、基于特征的方法以及基于深度学习的方法. 前两类方法需要手动处理特征和人为选择分类器, 而大多数的深度学习方法属于端到端的方法, 并且在时间序列分类问题中表现出不错的分类效果. 但是, 目前基于深度学习的方法很少能够针对时间序列数据中时间尺度选择的问题对网络进行改进, 在网络结构方面, 很少将网络进行融合, 从而更好地发挥各自的优势.为了解决这两类问题, 提出一种多尺度残差全卷积神经网络(MRes-FCN)结构, 用来处理时间序列问题. 该结构主要分为数据预处理阶段、全卷积网络与残差网络结合的阶段. 为了评价该方法的性能, 在UCR的85个公开数据集上进行了实验, 与基于距离的方法、基于特征的方法和基于深度学习的方法分别进行了比较. 实验结果表明: 所提出的方法较其他方法而言具有很好的性能, 在多个数据集上优于大多数方法.

来源：2022年第2期

《软件学报》期刊编辑部

查看软件学报杂志2022年第2期